Price Trend

建物型態

預測

測回歸模型：線性迴歸模型

Call:
lm(formula = 總價元 ~ ., data = train_data)

Residuals:
       Min         1Q     Median         3Q        Max 
-950855418   -2411875    -232911    2119695 1247816505 

Coefficients:
                                      Estimate Std. Error  t value Pr(>|t|)    
(Intercept)                          3.808e+06  2.833e+05   13.441  < 2e-16 ***
土地移轉總面積平方公尺               2.123e+04  2.862e+02   74.166  < 2e-16 ***
建物移轉總面積平方公尺               8.713e+04  2.702e+02  322.491  < 2e-16 ***
建物現況格局.房                      1.500e+06  2.643e+04   56.761  < 2e-16 ***
建物現況格局.廳                     -4.648e+05  7.345e+04   -6.328 2.49e-10 ***
車位移轉總面積平方公尺              -1.367e+04  1.801e+03   -7.588 3.29e-14 ***
車位總價元                          -3.206e-01  4.638e-02   -6.911 4.84e-12 ***
主建物面積                          -6.309e+04  3.215e+02 -196.232  < 2e-16 ***
附屬建物面積                        -1.035e+05  6.235e+03  -16.607  < 2e-16 ***
電梯                                 3.466e+06  1.184e+05   29.280  < 2e-16 ***
建物型態_透天厝                      2.322e+06  1.718e+05   13.512  < 2e-16 ***
陽台面積                             1.402e+05  6.426e+03   21.810  < 2e-16 ***
建物現況格局.隔間                   -8.233e+06  3.044e+05  -27.048  < 2e-16 ***
建物型態_住宅大樓.11層含以上有電梯.  8.128e+05  1.171e+05    6.938 4.00e-12 ***
建物型態_工廠                       -4.430e+06  1.459e+06   -3.036   0.0024 ** 
建物型態_店面.店鋪.                  1.274e+07  3.975e+05   32.059  < 2e-16 ***
建物型態_廠辦                       -3.084e+07  1.029e+06  -29.984  < 2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 13370000 on 82399 degrees of freedom
Multiple R-squared:  0.7995,    Adjusted R-squared:  0.7995 
F-statistic: 2.053e+04 on 16 and 82399 DF,  p-value: < 2.2e-16

線性迴歸模型:

均方誤差 (MSE): 1.834052e+14 

均方根誤差 (RMSE): 13542717 

R平方的平方根 (R): 0.2263215 

測回歸模型：隨機森林模型，因為本機跑不動這部分，所以改用colab跑出數值

隨機森林模型預測結果：

均方根誤差 (RMSE): 5601936 

R平方 (R-squared): 0.807212 

測回歸模型：AdaBoost，因為本機跑不動這部分，所以改用colab跑出數值

AdaBoost模型預測結果：

均方誤差 (MSE): 1.120157e+14 

均方根誤差 (RMSE): 10583748 

R平方 (R-squared): 0.3118508 

測回歸模型：決策樹回歸模型，因為本機跑不動這部分，所以改用colab跑出數值

決策樹回歸模型預測結果：

均方誤差 (MSE): 1.271186e+14 

均方根誤差 (RMSE): 11274691 

R平方 (R-squared): 0.2190686 

測回歸模型：XGBoost回歸模型，因為本機跑不動這部分，所以改用colab跑出數值

XGBoost回歸模型預測結果：

均方誤差 (MSE): 2.813591e+14 

均方根誤差 (RMSE): 16773764 

R平方 (R-squared): -0.7284812 

結論 RMSE越低，預測越準確；R平方越高，模型對變異性的解釋能力越強。 隨機森林模型具有最低的均方根誤差 (RMSE) 和最高的R平方，這表示它在預測方面表現最佳。 AdaBoost模型的表現次之，其RMSE較低，但R平方較低，預測相對較差。 線性迴歸模型和決策樹迴歸模型的表現相對較差，它們的RMSE相對高，而R平方的平方根 (R) 也較低。這表示這兩種模型對於數據的預測能力有限。 綜合考慮，隨機森林模型是我們的最佳選擇，因為它在預測房價方面表現最佳。不過，可能需要進一步優化模型。 P.S測回歸模型：SVM，由於在colab上跑太久未有結果。

[1] "均方誤差 (RMSE): 11952930.9495704"

[1] "R平方 (R-squared): 0.412332498755922"